李志敏，張 慧，古利超

(重慶大學(xué) 光電技術(shù)及系統(tǒng)教育部重點實驗室，重慶 400044）

車牌識別系統(tǒng)LPR(License Plate Recognition)包括車牌定位、字符分割和字符識別三大部分。其中，字符識別的準確及高效成為整個車牌識別系統(tǒng)的關(guān)鍵。

車牌字符識別是模式識別的一個重要研究領(lǐng)域，字符特征提取可分為基于統(tǒng)計特征和基于結(jié)構(gòu)特征兩大類[1]，統(tǒng)計方法具有良好的魯棒性和抗干擾性等，但是，由于其采用累加的方法，對于“敏感部位”的差異也隨之消失，即對形近字的區(qū)分能力較差。而結(jié)構(gòu)方法對細節(jié)特征較敏感，區(qū)分形近字符的能力較強，但是難以抽取、不穩(wěn)定、算法復(fù)雜度高。分類器設(shè)計方面，人工神經(jīng)網(wǎng)絡(luò)和支持向量機SVM(Support Vector Machine)[2]等技術(shù)已被用于車牌字符識別研究中，有效地提高了識別率，但缺少基于特征的優(yōu)化設(shè)計。

本文針對實際采集的車牌圖像質(zhì)量不高所導(dǎo)致的字符形變、噪聲、易混淆的問題，根據(jù)人類視覺活動的問題，選取基于輪廓的統(tǒng)計特征反映字符整體信息；選取結(jié)構(gòu)特征反映字符細節(jié)信息，采用SVM作為分類器，并對基于輪廓的特征提取方法進行了優(yōu)化設(shè)計。

1 車牌字符識別算法框架

本文提出的識別算法模擬人類智能，采用兩級分類識別的思想處理車牌字符識別問題，引入可信度評判機制。經(jīng)預(yù)處理后的字符首先進入粗分類識別，采用基于輪廓的統(tǒng)計特征作為粗分類的特征提取方法，利用SVM分類器得出分類識別結(jié)果，并計算結(jié)果的可信度。識別系統(tǒng)將粗分類識別結(jié)果的可信度與預(yù)先設(shè)置好的用于判別形近字的可信度閾值相比較,如果可信度大于閾值,則識別系統(tǒng)將字符歸為非形近字,并將結(jié)果輸出;否則,識別系統(tǒng)將字符歸為形近字,并根據(jù)粗分類識別結(jié)果,計算字符所屬的形近字類別,將字符送入細分類識別,提取字符的結(jié)構(gòu)特征作為細分類的特征提取方法，利用決策表中的形近字區(qū)分規(guī)則，得到識別結(jié)果。圖1為識別系統(tǒng)算法流程圖。

圖1 識別系統(tǒng)算法流程圖

2 一級分類識別

2.1 粗分類特征提取

粗分類的特征提取方法應(yīng)該能夠描繪字符的整體信息，基于輪廓的統(tǒng)計特征描繪字符外圍輪廓的變化。利用距離反映輪廓的方法，通過計算字符圖像左、右、上、下四個邊框到筆畫間的距離，得到圖像輪廓的統(tǒng)計特征。設(shè)預(yù)處理后的二值化字符圖像為f(i,j)，具體算法為：

(1)左側(cè)邊框到字符筆畫間的距離：

(2)右側(cè)邊框到字符筆畫間的距離：

(3)上邊框到字符筆畫間的距離：

(4)下邊框到字符筆畫間的距離：

其中,width、length為字符圖像的寬和高。規(guī)定此行或此列沒有筆畫時，其特征值為零。

圖2為字符‘6’的四組輪廓特征，從圖中可以看出，曲線在高度變化上反映出了字符外圍輪廓特征。根據(jù)輪廓特征曲線可以找出同類字符間的相關(guān)性、不同類字符間的差異性。

然而，這樣直接提取的特征容易受到字符偏移的影響，因此，本文對提取的原始特征進行了如下優(yōu)化：

(1)分別循環(huán)平移特征值LP(i)、RP(i)、TP(i)、BP(i)，使其前后為零特征值的個數(shù)大致相等，這樣提取的特征值在分類器中更具可比性。

圖2 字符‘6’初始的四組輪廓特征曲線

(2)由于字符存在水平偏移和垂直偏移，所以需要消除字符偏移對特征值的影響。首先，按照下式計算字符水平偏移量LO：

然后，利用LO對初始提取的特征做如下調(diào)整：

其中，[·]表示取整數(shù)。

消除垂直偏移量對特征值的影響與消除水平偏移量方法類似，這里不再重復(fù)。

圖3所示為圖2優(yōu)化后的特征曲線。從圖中可以看出，優(yōu)化后的特征曲線左右為零值的特征數(shù)量大致相等，第一、二組的最小特征值大致相等，第三、四組最小特征值也大致相等。由此可見，依據(jù)上述優(yōu)化方法對四組輪廓特征加以修正，可以有效地克服字符位置偏移對特征值的影響，增加同類字符間的相關(guān)性。

2.2 一級粗分類器設(shè)計

圖3 字符‘6’優(yōu)化后的四組輪廓特征曲線

本文提取的粗分類特征維數(shù)比較大,SVM能夠較好地解決小樣本、非線性及高維的模式識別問題，而且在高維空間中的推廣能力并不受維數(shù)影響,所以本文選取SVM作為分類器進行車牌字符的識別。

2.2.1 支持向量機(SVM)算法原理

SVM是建立在統(tǒng)計學(xué)習(xí)理論的VC維 (Vapnik-Chervonenkis Dimension)理論和結(jié)構(gòu)風(fēng)險最小化原理SRM(Structural Risk Minimization)基礎(chǔ)上的一種新機器學(xué)習(xí)系統(tǒng)[3]。SVM方法是從線性可分情況下的最優(yōu)分類面提出的。對于線性不可分情況，SVM通過增加一個松弛項ξi≥0和對錯分樣本的懲罰因子C進行推廣。而對于非線性問題，首先通過非線性變換將輸入空間變換到一個高維內(nèi)積空間，然后在這個新空間中求取最優(yōu)超平面。由于在特征空間H中構(gòu)造最優(yōu)超平面時,訓(xùn)練算法只涉及訓(xùn)練樣本之間的內(nèi)積運算(xi·xj)。

2.2.2 核函數(shù)的選取

根據(jù)Hilbert-Schmidt原理,只要一種核函數(shù)K(x,y)滿足Mercer條件，它就對應(yīng)某一變換空間中的內(nèi)積。K(x,y)只涉及x、y，并沒有高維運算。由此可見，核函數(shù)的引入避免了非線性映射計算的復(fù)雜性。有研究表明，SVM方法并不十分依賴核函數(shù)的選取，即不同的核函數(shù)對分類性能影響不大，所以本文選取應(yīng)用廣泛的徑向基核函數(shù)(RBF)作為核函數(shù)：

2.2.3 參數(shù)優(yōu)化

為了求解最佳[C,σ2](C為懲罰因子,σ2為核參數(shù))，采用網(wǎng)格搜索法來求解最佳參數(shù)。利用參數(shù)組合C={20,21,22,…,216},σ2={0,21,22,…,216}進行訓(xùn)練，結(jié)果為:當C=28、σ2=210時樣本的識別率最高。然后在 C=28、σ2=210附近，以 △C=1、△σ2=20為步長再進行一次網(wǎng)格搜索，得到當C=235、σ2=1 044時識別率為最高。

2.3 可信度

可信度是不確定性推理中用于度量證據(jù)、規(guī)則和結(jié)論不確定性的一種方法。由于多種因素的影響，車牌字符識別過程中存在一定的不確定性，所以本文引入不確定性推理來判斷識別結(jié)果是否可以被信任。

2.3.1 可信度概念

可信度CF用于度量證據(jù)、結(jié)論和規(guī)則的不確定性程度[6]，CF的作用域為[-1,1]。設(shè)一個不確定推理過程的證據(jù)為 A,結(jié)論為B,推理規(guī)則為：IF A THEN B。

(1)證據(jù)的不確定性度量：CF(A)表示證據(jù)的可信度，CF(A)＞0，表示A以CF(A)程度為真；CF(A)＜0，表示 A以CF(A)程度為假。

(2)規(guī)則的不確定性度量：CF(B,A)表示規(guī)則的可信度。CF(B,A)＞0，表示證據(jù)增加了結(jié)論為真的程度；反之CF(B,A)＜0，表示證據(jù)增加了結(jié)論為假的程度。

其中，P(B/A)為條件概率。

(3)結(jié)論的不確定性度量：CF(B)表示證據(jù)的可信度；當結(jié)論以某種程度為真時，CF(B)＞0；當結(jié)論以某種程度為假時，CF(B)＜0。CF(B)的值可由證據(jù)和推理得到：

2.3.2 可信度計算

粗分類的最后計算以字符識別結(jié)果的可信度來判斷是否為形近字。設(shè)字符類別總數(shù)為N，識別結(jié)果的先驗概率為P(B)=1/N，條件概率P(B/A)為統(tǒng)計得到的數(shù)據(jù)。采用SVM分類器進行推理識別的規(guī)則強度CF(B,A)為：

設(shè)證據(jù)的可信度CF(A)=1，則粗分類識別結(jié)果的可信度CF(B)為：

當CF(B)的值大于形近字判別閾值CFmin時，直接輸出粗分類識別結(jié)果;反之，分類器查找形近字所屬類別，并將字符送入二級分類識別。

2.4 粗分類實驗和分析

粗分類中字母和數(shù)字共有33類，每類有100個樣本。其中每類用60個樣本進行SVM訓(xùn)練，構(gòu)造SVM分類器，剩下的40個樣本做測試。

本文對粗分類器在不同可信度閾值下的性能進行了測試，測試結(jié)果如圖4所示。從圖中可以看出，粗分類識別率隨著可信度閾值的增加而提高，但閾值設(shè)置太高時，粗分類有較高的拒識率，而將字符送入二級分類識別，導(dǎo)致浪費粗分類器的識別能力。所以可信度閾值選取0.7，粗分類器的識別性能最佳。

圖4 可信度對分類器性能的影響

當 CFmin=0.7時,粗分類字符識別正確率只有96.4%，但是出現(xiàn)錯誤的字符基本上都是形近字。如 8、B、O、D、Q，2、Z，5、S等外形比較相似的字符，這些形近字符的差別體現(xiàn)在細微的結(jié)構(gòu)上。如果將這些形近字符暫時歸為一類，然后將其送入二級分類識別，則粗分類識別正確率會大幅提升接近100%,這樣的結(jié)果可以滿足特征提取算法復(fù)雜度低，識別率較高、形近字較少的粗分類的要求。

3 二級分類識別

3.1 細分類特征提取

細分類的特征提取方法應(yīng)該能夠表征字符細節(jié)信息,刻畫形近字間更細微的差別。結(jié)構(gòu)特征可以很好地反映字符的細節(jié)特征。所以本文選取環(huán)數(shù)、彎曲度、交點數(shù)等結(jié)構(gòu)特征作為細分類的特征提取方法。

(1)環(huán)數(shù)(H)：字符中閉合曲線的個數(shù)。

(2)彎曲度(R)：設(shè)字符中光滑曲線段的兩個端點為M(Mx,My)和 N(Nx,Ny)，這兩點所構(gòu)成線段為MN，曲線到線段MN垂直距離最遠的點為T，對應(yīng)的投影點為P，點T到線段MN的距離Dtp和該線段長度Dmn的比值為彎曲度R,則：

(3)交點數(shù)(E)：在水平或垂直方向上掃描字符時與字符相交的次數(shù)。以左右上下水平垂直的首字母L、R、T、B、L、V與特征的組合表示具體提取的特征，如TR表示上筆畫彎曲度。

在二級分類識別中，分類器根據(jù)環(huán)數(shù)、彎曲度和交點數(shù)等結(jié)構(gòu)特征的邏輯組合對形近字進行分類識別，得出的決策表如表1所示。例如，字符‘2’和‘Z’的差別在于上面橫筆畫的彎曲度；字符‘C’和‘G’的差別在于垂直交點數(shù)。

3.2 細分類實驗和分析

形近字符分為四組，每組選120個樣本做測試，形近字符的識別結(jié)果如表2所示。

表1 分類決策表

表2中形近字符是否具有較高的識別率，在很大程度上取決于特征的選取。首先將形近字符分成不同的組，然后根據(jù)細微的差別提取不同的結(jié)構(gòu)特征，使得同一組中不同字符之間的細微差異能比較穩(wěn)定地體現(xiàn)出來，這是正確識別形近字的關(guān)鍵。實驗表明決策表可以很好地區(qū)分形近字符，達到二級細分類識別的要求。

表2 形近字符識別結(jié)果

4 實驗結(jié)果

實驗中的測試車牌圖像是由重慶易博數(shù)字有限公司研制的電子警察在高速公路收費站拍攝的，總共采集了一天中不同時段的幾千幅車牌圖像,大部分為本市的車輛，所以車牌圖像中的漢字均相同。在測試時，從這幾千幅車牌圖像中，總共選取1 200幅車牌圖像，并隨機分為3組作為實驗中的測試車牌圖像，且僅統(tǒng)計英文字母和數(shù)字部分的識別率，最終的識別率以車牌牌照為單位進行實驗，識別結(jié)果如表3所示。

表3 車牌識別結(jié)果

本文算法在 P4 2.80 GB、512 MB計算機上，用 VC6.0編程實現(xiàn)，平均識別一個車牌需要0.3 s左右的時間。

本文在分析常用的車牌識別方法和人眼視覺活動特點的基礎(chǔ)上，設(shè)計了一種由粗到細的二級識別算法，使車牌中易混的形近字符識別率得以提高。在特征提取方面將統(tǒng)計特征和結(jié)構(gòu)特征相結(jié)合，并對提取的輪廓特征進行優(yōu)化，使其有效地克服了字符偏移的影響。引入可信度評判機制，提升了分類識別的靈活性和可靠性。從實驗結(jié)果可以看出，本文的算法取得了較高的識別正確率，實時性好，可以滿足實際應(yīng)用的需要。

[1]高勇.車牌識別系統(tǒng)中的字符分割與識別[D].合肥:安徽大學(xué),2007.

[2]HUANG R,TAWFIK H,NAGAR A K.License plate character recognition based on support vector machines with colonel Selection and Fish Swarm Algorithms[C].International Conference on Computer Modeling and Simulation,2009:101-106.

[3]李琳,張曉龍.基于RBF核的SVM學(xué)習(xí)算法的優(yōu)化計算[J].計算機工程與應(yīng)用,2006,29:190-192.